革命并不是悄然而至——它已經在進行中。在管理科學中，大數據分析的革命正在改變公司組織、運營、管理人才和創造價值的方式。這種程度的變革少不了高層領導者的介入，接受這一機會的首席執行官將增加公司取得長期成功的可能性。那些忽視或低估這種巨變的最終影響的人并沒有為他們的組織做好過渡準備，而這樣做是危險的。
我們不難看出分析如何被委派或降低優先級的：首席執行官們需要為績效和與分析相關的所有可能性擔責，當下的領導者都報告了令人沮喪的結果。事實上，在我們調查一群致力于大數據分析計劃的公司的領導者時，其中有四分之三的人說他們在收入或成本方面的改善不到1%。承諾和報酬之間存在的一些脫節可能歸因于少計(undercounting)——部分的總和并不總是一目了然。具有諷刺意味的是，“大數據”分析的結果往往是數千個(或更多)在整個系統范圍內逐漸實現的細微改進。單獨而言，這些收益中的任何一個都可能看似微不足道，但是當人們總體上考慮這些收益時，它們能產生相當大的影響。
然而，不足之處不僅僅是看法上的問題，陷阱是真實存在的。至關重要的是，由分析實現的轉型既涉及到文化變革，涉及到是分析數據和將高級工具落實到位。通用電氣的首席執行官Jeff Immelt承認：“這就是我搞錯的事情，我原以為這完全取決于技術。我原以為，如果我們雇用了幾千名技術人員，如果我們升級了軟件，或諸如此類的事情，也就這么回事，但我錯了。產品經理必須與眾不同，銷售人員必須與眾不同，現場支持也必須與眾不同。”
致力于改變這一秩序(卻想知道組織迄今為止在數據分析之旅中取得的真正進展)的首席執行官首先要鼓勵頂級團隊與他們進行坦誠布公的討論。這包括清晰地評估最基本的東西，包括公司的關鍵價值驅動因素、組織現有的分析功能，以及最重要的事情——你當初致力于分析的目的。本文提出問題(但不是捷徑)以幫助公司的高級領導者確定進度以及他們要為組織做出什么樣的變革來實現高級分析的承諾。
革命前線的兩個場景
Immelt通過見證和引領這場革命得出了這個結論。通用電氣的首席執行官敏銳地意識到，到21世紀，商業和媒體的數字化使得少數美國互聯網企業家能獲得消費領域幾乎所有的市場價值。為了工業界在未來十年上線時避免出現類似的顛覆，Immelt正在推動這家擁有124年歷史的公司的文化和商業模式發生根本的轉變。僅今年通用電氣就花了10億美元來分析燃氣輪機，噴氣發動機、石油管道和其它機器上傳感器的數據，目標是到2020年將軟件產品的銷售額增加兩倍，達到約150億美元。為了理解這些新數據流，該公司還在創建一個名為Predix的基于云的平臺，該平臺將自身的信息流與客戶數據相結合，并將信息流提交到分析軟件，這些軟件能通過大幅改進的預測性維護降低成本并延長正常運行時間。做到這個需要雇傭數千名新軟件工程師和數據科學家，重新培訓成千上萬的銷售人員和支持人員，并從根本上將通用電氣的業務模式從與服務授權相結合的產品銷售轉向基于結果的訂閱定價(subscription pricing)。Immelt說：“我們希望在未來20年像將過去50年的材料科學一樣將分析視為公司的核心”
為了進一步了解高級分析不斷增長的力量，我們還要考慮消費電子原始設備制造商(OEM)怎樣在本來就增長緩慢的市場中提高速度。公司付出了極大的努力將以前在幾百萬設備和來源的孤島中收集的1,000多個變量中的信息匯總起來(產品銷售和使用數據、渠道數據、在線交易和服務票據，以及來自Acxiom等第三方供應商的外部消費者數據)。挖掘這一集成的大數據集使得該公司能夠將精力集中在十幾個未實現的商機，在這些商機中，投資模式或流程中的轉變將真正成功。公司憑借一系列新的，細致入微的洞察——最有可能增加銷售、減少客戶流失和改進產品功能的洞察，公司在第一年實現了4億美元的增量收入增長。隨著成功的建立，領導層已經開始從根本上反思了他們應該如何從事新業務的開發以及最高管理者未來需要什么功能。
挑戰雖不小，機遇卻更多
雖然前景一片大好，但大多數公司(除了亞馬遜、臉書、谷歌、網飛和優步等少數數字原生代(digital native))迄今為止仍在努力實現其對大數據、高級分析和機器學習投資的少量收益。很多組織仍然專注于經典的大規模IT基礎架構計劃，它們尚未掌握創建干凈、強大、關聯數據(linked data)資產的基本任務;創建從這些數據中獲取洞察所需的功能;并創造領導和指導所有這些有目的的行動所需的管理能力。
盡管如此，類似的痛苦也標志著之前的每一次重大技術轉變。我們還處在痛苦的早期：盡管世界上有大約90%的數字數據(digital data)是在過去兩年中產生的，但只有1%的數據得到了分析。這些分析通常是作為個別的一次性實驗(精巧的實驗)進行的，但為數不多。實際上，在很多公司中，分析舉措似乎更像是不起眼的科學展覽項目，而不是尖端商業模式的核心。
但是要產生重大突破就要對模型進行徹底改進，而這些突破的進展速度只會不斷加快。隨著計算機處理能力和云存儲容量的膨脹，世界目前的數據洪流變成了一股潮流。到2020年，約有500億臺智能設備以及數十億個智能傳感器接入聯網，確保全球數據的供應量每隔一年就翻一番。
誘導性問題
這一切發展狀況都確保了人們有大量的數據要分析。幾乎按照定義，大數據分析意味著人們要深入信息雜草叢(information weed)，并以技術的復雜性(technical sophistication)來處理數字，技術的復雜性看起來如此高深，以至于高層領導只想著“把它交給專家”并退出對話。但談話是值得擁有的。當由數據實現的洞察深深地融入文化中，以至于洞察所帶來的預測和良策推動了公司的戰略和運營，并重塑了組織實現這些預測和良策的方法，由分析實現的洞察的真正力量就產生了。將分析從戰術洞察領域擴展到業務核心并非一朝一夕的事情，但好處可能是巨大的。例如，試想一下：
有一家全球航空公司將來自多個操作型系統(包括與飛機位置和航空公司位置相關的系統)的數據拼接在一起，以更準確地確定航班在出港或到達登機口時發生延誤的時間和原因。航空公司先進的預測算法能夠量化行李處理不當等事件的連鎖影響，并幫助建立一個系統，實時對主管人員發出警報，以便他們能夠在潛在問題發生之前做出反應。影響：過去12個月內航班延誤減少約25%。
試圖推動集成了大量信息的全球快消品公司將各種信息(包括金融、促銷、甚至與天氣相關因素)整合到一個數據源中，然后開發復雜的算法來理解增量效應(incremental effect)——在細致的級別上基于此來源而變化的效應。篩選不同的數據并從頭開始積累，使公司能夠發現有關其整體競爭格局的寶貴洞察，例如最佳價格點和新產品的商機。影響：一年內毛利潤增加數千萬美元。
有一家制藥公司正在使用分析來阻止臨床試驗成本的上升。該公司在過去五年中耗費數了十億美元進行了數百次試驗后將100,000多名介入醫療過程的患者參與者(patient participant)的信息與來自財務和人力資源的運營數據相結合。制藥公司在這些數以千萬計的數據點中已經查明哪些位置最高效，哪種患者篩查技術(patient-screening technique)提高了“通過率(pass rate)”，以及如何最佳地配置自己的團隊。例如，制藥公司對電子郵件和日歷數據所做的分析強調了這樣一個事實——改善團隊領導者與臨床手術中兩個特定角色之間的協作，這是預測延誤最重要的因素。預期結果：成本節省超過10%，質量更好。
案例可謂不勝枚舉：無數案例表明：流失率降低了，欺詐減少了，數據收集改善了，營銷和客戶獲取的投資回報更高了，以及預測性維護增強了。目前，只有少數技術領域以外的領導者真正用數據對組織進行轉型。但其實可以有更多這樣的領導者。為此，我們指出了公司領導者必須準備好深入探討的五個問題。
1. 我們是否有價值驅動的分析策略?
如果企業的工作不集中在對公司選擇方向最為重要的領域，那么企業會浪費大量精力收集數據并從數據中挖掘洞察。成功的大數據和高級分析轉型都始于你對自身價值驅動因素和能力(而不是競爭對手價值的驅動因素和能力)的評估，以及你對未來理想狀況的格局的構想，一個與廣泛的業務戰略和關鍵用例相一致的格局。提出正確的問題是關鍵的第一步。應該從大問題開始：“這樣的機會有多大?如果我通過高級分析獲得了額外的洞察，我可以節省多少錢?我可以得到多少額外收入?”而且他們應該快速細化問題。為了構建和制定正確的假設，一線管理人員必須在整個過程中與分析專家一起參與。
例如，消費電子原始設備制造商的計劃演練促使團隊提出了幾個問題：“誰是我們最有價值的客戶，我們如何與這些客戶建立聯系，我們談什么?我們如何推動一系列產品和服務的交叉銷售?哪些產品功能推動了最高的使用率或互動，以及我們如何促進更高的采用率?“在一家一流私人銀行，類似演練中的問題包括：“我們如何日復一日地設置數以千計的最優價格點?每天又如何設置數以千計的價格點?哪些客戶最有可能流失，哪些客戶最有可能積極響應我們的挽留，哪種挽留工作最有效?”
2. 我們是否擁有合適的“域數據(domain data)”來支持我們的戰略?
公司在回答此類問題時往往會在收入增長、客戶體驗、風險管理等領域以及高級分析可以產生明確改進的地方確定10到20個關鍵用例。用例和試點項目在自我評估和對收益的預期影響的基礎上得到了分級和排序。通過具體指標和基準測量每個用例的影響，突出顯示所需的數據并使一切步入正軌。
關鍵的基礎步驟是克服使用現有數據的障礙。這項工作可能包括清理歷史數據、整合多個來源的數據、打破業務單位和職能之間的孤島、設立數據治理標準以及確定生成新的內部數據的最重要的機會所在——例如、通過添加傳感器、或者在賭場的例子中，即通過安裝網絡攝像頭來評估豪賭的投注行為。
大多數公司(即使是那些擁有豐富內部數據的公司)也會認為說它們要更大范圍地挖掘結構化和非結構化外部資源。當一家面向新興市場的保險公司決定成立一家新的P4P(點對點借貸)初創公司時，該保險公司意識到，分析潛在客戶在各種平臺(包括社交網絡)上的數據和活動可以做出更好的信貸決策。
所有這些數據最終都可以匯集到更多可共享、可用的資產中，例如新的“數據湖泊”。因為所有努力解決遺留IT系統缺點的人都知道，理順根基并不是一朝一夕的事情。成本最終可能達到數億美元，但這些投資的全部影響在一兩個季度中并不總是顯而易見的。但這并不意味著你要等很多年才能獲得價值。這使得提出下一個問題變得更加重要。
3. 我們在旅程的什么地方?
與所有轉型一樣，數據和分析之旅分階段進行。在基礎還沒建立前就要從奠定基礎和創建分析功能開始，這很重要?；蛘?，正如我們的一位客戶想起公司的成功的分析轉型時所回憶的那樣：“我們要先學會走路才能奔跑。然后我們拼命地奔跑。”
為了在快進模式下巧妙地邁進，消費電子原始設備制造商創建了一個臨時數據架構(interim data architecture)，致力于構建三個“洞察工廠(insights factory)”并為這些工場配置人員，這些工廠可以為最高優先級的用例生成可操作的推薦項目。雖然進一步的基礎投資繼續并行不悖，但由早期的試點項目支持的這些工廠能夠快速取得成果，使他們在很大程度上自籌資金。關鍵是要通過迭代的、基于假設的(hypothesis-driven)建模周期，從數據收集快速轉向“做數學運算”。像這樣迅速取得成功有助于打破孤島，在多疑的一線經理中激發熱情并贏得支持。即便這有效，在孤立的狀態下工作的數據科學家開發的“黑匣子”往往也會成為遭人拒絕的把柄。最終用戶要了解基本假設以及如何應用模型輸出的東西：模型所做的推薦是否具有約束力，或者是對偏差是否具有靈活性?它是否會直接集成到客戶關系管理等核心工具中，或是成為額外的疊加物?什么顯示效果對一線人員最有用——一般來說，一旦數據產生，最簡單的數據就是最好的數據嗎?即使在收集數據并建立模型之前，試點項目也應該以回答這些問題為目的。
一旦建立了概念驗證并且意見開始在董事會上得到討論，那么盡可能快地擴大規模至關重要，這可能要注入人才。為了應對孤立的挑戰，踐行最佳實踐的公司不可能只挑一兩個專業人員的資料就雇傭他們。在我們最近對700多家公司的調查中，我們發現15%的營業利潤增長與大量聘用數據和分析專家有關。
4. 我們是否親自為變革建模?
在最近對500多名高管進行的一項調查中，我們得出了一個令人沮喪的發現：38%的首席執行官自我報告說他們正在領導公司的分析議程，其他高級管理人員中只有9%同意這一說法。相反，他們將首席信息官或其他一些管理人員和真正的重要人物等同起來。用《鐵窗喋血》中獄卒的話來解釋就是：我和你們豈止是無法溝通;這事關你們言行不一。
雖然首席執行官和管理團隊的其他成員不必成為數據科學方面的專家，但至少他們必須熟悉大量新術語和流行語(Hadoop、遺傳算法、內存分析、深度學習和類似的)并在高層次上理解各種算法模型的局限性。除了高層不斷放出的關于分析是優先事項和對成功的公開慶祝等信息外，提出建議和在各種學習機會中露面等小小的跡象也會引起共鳴。
當然，首席執行官可以樹立的最重要的榜樣是確保在公司的最高管理層之間進行正確的對話。首先要確保合適的人員一個都沒有落下并獲得授權，然后通過這樣的方式繼續——直接干預和質疑，以確保從基于經驗的決策到基于數據的決策的順利過渡：結論是否進行了A/B測試?我們采取了哪些措施來提高我們進行快速成型(rapid prototyping)的能力，測試、學習和實驗的能力，以不斷地參與谷歌的首席經濟學家Hal Varian所謂的“產品改善(product kaizen)”?
5. 我們是否正在為分析做出安排和率領?
非首席執行官不能領導的最重要的轉變是重組，使先進的分析成為每個核心流程的中心。事實上，最終愿望是將“分析”這一獨特術語從公司的詞典中抹去。數據流經整個組織，分析應該有組織地跟隨這些數據。通用電氣公司的Immelt說：“我認為它以一種積極的方式感染了我們所做的一切。”
然而，即使是中樞神經系統也需要大腦——一個中央分析中心或卓越中心。如果沒有專門的團隊和領導者(無論是明確委以此任務的首席分析官、首席數據官或其他高管)，公司難以創造一種能夠吸引和培養頂尖人才的獨特文化。但與此同時，與核心團隊相關聯的個人也應該駐扎到不同的業務部門中，就像財務職能所做的那樣。我們發現，使用混合模型的公司的高管所公布的由影響(收入和成本方面的分析所產生)比其他受訪者公布的影響更大。
還有哪些角色、技能和結構是必需的?顯然，擴大分析規模需要招募和留住足夠多的世界一流的數據科學家和建模者。以外包模式購買這些人才是那些仍處于旅程探索階段的公司僅有的選擇。但是，舉一個例子，挺過了壓力測試的大多數銀行都創建了獨立的內部部門，這些部門有自身的匯報關系(reporting line)，負責不斷測試和驗證這些模型，以最大限度地降低假性相關(spurious correlation)風險。我們相信這種方法對非銀行機構也是有意義的。
為了將模型的輸出內容(無論有多靈活)轉化為有形的商業行為，公司還要有足夠的“翻譯人員”，因為只有人才能夠將業務部門的需求與建模者的技術技能聯系起來。不要認為這樣的“二項全能”領導者很容易找到。根據我們的經驗，高管們經常報告說，吸引和留住具有分析技能的業務用戶實際上比招聘那些走俏的數據科學家這件事本身更難。除了聲勢浩大的招聘外，贏得這場人才大戰還需要下重本培訓和改進人力資源分析。
一般而言，大多數組織都在這方面投資不足——創建有助于一線管理人員將數據集成到日常流程中的界面簡單易用的直觀工具。我們的經驗法則：為了獲得最高回報，將分析投資大致分成兩半，一半用于構建更好的模型，另一半花費在工具和培訓上，以確保一線人員能使用新生成的洞察。在很多公司中，這個比例仍然只接近80%比20%，甚至更糟。
除了大數據和分析外還有一個更廣泛的轉變正在發生，因為機器人、機器學習算法和“軟人工智能(soft AI)”系統(如IBM的Watson)承擔了越來越多過去由人工執行的任務。2016年初，由谷歌旗下的英國公司DeepMind開發的AlphaGo系統出人意料地在古老的圍棋游戲中擊敗了一位著名的冠軍人類棋手。為了備賽(不同于國際象棋，圍棋棋局的排列組合比宇宙里的沙子還要多)，AlphaGo通過玩無數輪游戲來訓練自己，從而實現了路徑優化策略(path-optimization strategy)。
隨著數據和分析的使用加入機器學習，人工智能的界限越來越模糊，人類可以從一個幾乎確定無誤的事實獲得安慰：自1997年后國際象棋中證明了這一點，當時IBM的深藍擊敗了Garry Kasparov，這是新的“頂尖棋手”。Go既不是人類也不是機器，而是人類與機器協同工作。掌握如何利用這種組合可能是首席執行官要應對的終極管理挑戰。
科幻小說家Arthur C. Clarke曾說過“所有足夠先進的技術都很難與魔法區分開開來”。我們尚未達到這一水平。但隨著大數據時代讓位于高級分析和機器學習的時代，我們正在進入一這樣一個時代，在這個時代里，數據分析的能力將實現幾乎像魔法一樣的預測能力。
就像其它歷史性轉變一樣，當現代的槍支“顛覆”弩時，掌握新技術的人與不熟悉新技術的人之間的競爭將是激烈的。但適應的好處是鼓舞人心的，因為劣勢很明顯。在未來的歲月里，坦誠地應對這些挑戰，相應地對組織進行轉型并將這些近乎神奇的功能無縫地應用于世界上最復雜，最關鍵的問題的公司和機構就能實現我們想都不敢想的價值創造。
京公網安備 11010502049343號